CN115661105B - 基于人工智能的汽车模型视觉检测方法 - Google Patents
基于人工智能的汽车模型视觉检测方法 Download PDFInfo
- Publication number
- CN115661105B CN115661105B CN202211380160.4A CN202211380160A CN115661105B CN 115661105 B CN115661105 B CN 115661105B CN 202211380160 A CN202211380160 A CN 202211380160A CN 115661105 B CN115661105 B CN 115661105B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image data
- defect
- processed
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于人工智能的汽车模型视觉检测方法，上述方法是基于人工智能的汽车模型视觉检测系统进行的，该系统包括视觉检测模块、图像处理模块和缺陷报警模块，涉及汽车模型视觉检测技术领域，本发明通过设置视觉检测模块对汽车模型的左漆面图像数据、右漆面图像数据、前漆面图像数据、后漆面图像数据和上漆面图像数据进行采集，设置图像处理模块划定漆面图像数据中的基于每一行的异常像素段，筛选划定该汽车模型异常像素区域，设置缺陷报警模块基于异常像素区域向检测人员报警和显示缺陷区域，细化了汽车模型漆面损害程度，增加了汽车模型漆面缺陷检测的准确率，加快了检测的效率。
Description
技术领域
本发明涉及汽车模型视觉检测技术领域，具体涉及基于人工智能的汽车模型视觉检测方法。
背景技术
汽车模型，是完全依照真车的形状、结构、色彩，甚至内饰部件，严格按比例缩小而制作的比例模型，好的汽车模型具有较高的观赏价值和装饰作用，而评定一个汽车模型的好坏最直观的就是看起车身漆面是否受损；
传统的对汽车模型的漆面受损进行检测是通过人工检测的方式，这样的检测方式效率不高，且因为汽车模型本身的体积较小，一些微小的漆面缺陷无法准确地检测出；而现有的汽车模型的监测大部分是对其结构进行监测，没有去针对汽车模型的漆面缺损进行专门的检测；
为了解决上述问题，本发明提出了一种解决方案。
发明内容
本发明的目的在于提供基于人工智能的汽车模型视觉检测方法，目的是为了解决现有技术中没有去针对汽车模型的漆面缺损进行专门检测，无法准确地检测汽车模型的微小缺陷，且检测效率不高等问题。
本发明的目的可以通过以下技术方案实现：
基于人工智能的汽车模型视觉检测方法，包括：
步骤一：视觉检测模块对汽车模型的全漆面图像数据进行获取，所述汽车模型的全漆面图像数据包括该汽车模型的左漆面图像数据、右漆面图像数据、前漆面图像数据、后漆面图像数据和上漆面图像数据；
步骤二：图像处理模块按照一定的处理方式对汽车模型的全漆面图像数据进行处理生成该汽车模型的全漆面缺陷数据；
步骤三：缺陷报警模块依据该汽车模型的全漆面缺陷数据对检测人员进行缺陷报警和缺陷区域显示。
进一步的，所述图像处理模块处理生成汽车模型的全漆面缺陷数据的处理方式如下：
S11：首先选定该汽车模型全漆面图像数据中的左漆面图像数据为待处理图像数据；
S12：获取待处理图像数据的所有像素点，标记为A1-1、A1-2、...、A1-b、A2-1、A2-2、...、A2-b、...、Aa-b，b≥1，a≥1；
所述a为待处理图像数据的像素点总列数，所述b为待处理图像数据的像素点总行数；
S13：获取待处理图像数据像素点A1-1、A1-2、...、A1-b、A2-1、A2-2、...、A2-b、...、Aa-b对应的像素值B1-1、B1-2、...、B1-b、B2-1、B2-2、...、B2-b、...、Ba-b；
S14：按照一定的获取步骤获取待处理图像数据的第1行的异常像素列表F1；
S15：按照S14计算获取待处理图像数据的第1、2、...、b的异常像素列表F1、F2、...、Fb；
S16：按照一定的合并规则将待处理图像数据的第1、2、...、b的异常像素列表F1、F2、...、Fb进行合并生成待处理图像数据的异常像素区域N1、N2、...、Nn，1≤n<m；
S17：按照一定的筛选步骤筛选获取待处理图像数据的缺陷额度值R1。
进一步的，所述S14中，异常像素列表F1的获取步骤如下：
S141：创建待处理图像数据的第一行的空的异常像素列表F1，此时F1=[]；
S142：以待处理图像数据的第一行为例，获取待处理图像数据像素点A1-a的像素值B1-a与其水平方向前一个像素点A1-（a-1）的像素值B1-(a-1)的差值C1-（a-1）,a=2、3、...、b；
S143：将C1-（a-1）与C进行大小比较，所述C为预设阈值：
若C1-（a-1）>C，则将待处理图像像素点A1-a和像素点A1-(a-1)重新标定为梯度像素点；
S144：获取待处理图像数据的第一行的所有梯度像素点，标记为A1-d1、A1-d2、...、A1-dz,1≤z<a；
S145：利用公式D1=d1-1计算获取待处理图像数据像素点A1-1和第一个梯度像素点A1-d1之间的像素点总值D1；
S146：若D1<D，所述D为预设的像素点总值阈值，依据待处理图像数据像素点A1-1和第一个梯度像素点A1-d1生成待处理图像数据的第一行的第一个梯度像素段E1；
S147：利用公式D2=d2-（d1+1）计算获取待处理图像数据像素点A1-d1+1和第二个梯度像素点A1-d2之间的像素点总值D2；
按照S146，对像素点总值D2进行判定生成待处理图像数据的第一行的第二个梯度像素段E2；
S147：按照S145到S146计算获取待处理图像数据的第一行的所有梯度像素段E1、E2、...、Ee并将其添加入异常像素列表F1中，此时F1=[E1,E2,...,Ee,1≤e≤Z]。
进一步的，所述S16中，合并生成待处理图像数据的异常像素区域N1、N2、...、Nn的具体合并规则如下：
S161：选定待处理图像数据的第一行的异常像素列表F1为待关联列表；选定待处理图像数据的第二行的异常像素列表F2为关联列表；
S162：分别获取待关联列表和关联列表索引为0的梯度像素段G1、H1；
S163：获取梯度像素段G1的初始像素点I1-i1，最终像素点I1-i2；1≤i1<i2<a；
获取梯度像素段H1的初始像素点J2-j1，最终像素点J2-j2；1≤j1<j2<a；
S164：利用公式k1=
计算获取梯度像素段G1和H1关联值k1；
S165：将k1的绝对值与k进行大小比较，若k1<k，将梯度像素段G1与H1进行合并生成异常像素区域，则该异常像素区域内的像素点可表示为Ll-q，l⊆[1,2]，q⊆[i1,i2]∪[j1,j2]；
S166：反之，则判定梯度像素段G1和H1无关联，将待关联列表中所有的梯度像素段按照索引依次增大的顺序与H2进行关联判定，直至比较完全，获取所有的异常像素区域；
S167：若待关联列表中的所有梯度像素段与H1都无关联，则按照S162到S166，依次将待关联列表中的所有梯度像素段与H2进行关联比较；
S168：按照S161到S167，选定待处理图像数据的第二行的异常像素列表F2为待关联列表；选定待处理图像数据的第三行的异常像素列表F2为关联列表，计算会哦去所有的异常像素区域；
S169：按照S168的顺序，计算获取待处理图像数据的第1、2、...、b的异常像素列表F1、F2、...、Fb的所有异常像素区域，标记为M1、M2、...、Mm，m≥1；
S1610：将异常像素区域M1、M2、...、Mm中存在部分相同区域的异常像素区域删除，获取到最终的异常像素区域N1、N2、...、Nn。
进一步的，所述S17，筛选获取待处理图像数据的缺陷额度值R1的具体筛选步骤如下：
S171：以异常像素区域N1为例，获取异常像素区域N1的最大横向跨度O1和最大纵向跨度O2，所述异常像素区域的最大横向跨度指的是该异常像素区域横向像素点最多的一行的像素点总量；所述异常像素区域的最大纵向跨度指的是该异常像素区域纵向像素点最多的一行的像素点总量；
S172：利用公式p1=
计算获取异常像素区域N1的缺陷跨度比p1；
S173：按照S1610到S1612计算获取异常像素区域N1、N2、...、Nn的缺陷跨度值p1、p2、...、pn；
S174：利用公式Q=
，1≤q≤n计算获取缺陷跨度值p1、p2、...、pn的离散值Q，将Q与Q1进行大小比较，若Q≥Q1，则按照|pq-p|从大到小依次删除对应的pq值并计算剩余pq的离散值Q，再将Q与Q1进行大小比较，直至Q<Q1，所述p为参与剩余参与离散值计算的缺陷跨度比的平均值，所述Q1为预设离散值阈值；
S175：获取异常像素区域N1、N2、...、Nn的缺陷跨度值中比p大的异常像素区域，并将其重新标定为非正常像素区域，获取非正常像素区域的缺陷跨度值标记为T1、T2、...、Tt，1≤t<n；
S175：利用公式R1=
,1≤r≤n，1≤s≤t计算获取左漆面图像数据的缺陷额度值R1。
进一步的，所述缺陷报警模块包括缺陷判定单元、报警单元和显示单元，所述缺陷判定单元按照一定的判定步骤对该汽车模型的全漆面缺陷数据进行判定，具体的判定步骤如下：
S21：以该汽车模型左漆面图像数据为例，获取该汽车模型左漆面图像数据的缺陷额度值，重新标定为U1；
S22：若Umax<U则判定当前汽车模型的左漆面重度受损并依据其生成重度缺陷报警指令，所述缺陷判定单元将重度缺陷报警指令传输到报警单元；
所述缺陷判定模块获取左漆面的非正常像素区域并将其传输到显示单元；
所述报警单元接收到缺陷判定单元传输的重度缺陷报警指令后实时对检测人员进行声音预警；
所述显示单元接收到缺陷判定单元传输的左漆面的非正常像素区域后对其进行标记并将其显示给检测人员；
S23：若Umin≤U≤Umax，则判定当前汽车模型的左漆面中度受损并依据其生成中度缺陷报警指令，所述缺陷判定单元将中度缺陷报警指令传输到报警单元；
所述报警单元接收到缺陷判定单元传输的重度缺陷报警指令后每隔z，间隔z时间对检测人员进行声音预警，所述z为预设间隔时间；
所述显示单元接收到缺陷判定单元传输的左漆面的非正常像素区域后对其进行标记并将其显示给检测人员；
S24：若U≤Umin，则判定当前汽车模型的左漆面微轻度缺陷，不做任何处理。
本发明的有益效果：
本发明通过设置视觉检测模块对汽车模型的左漆面图像数据、右漆面图像数据、前漆面图像数据、后漆面图像数据和上漆面图像数据进行采集，设置图像处理模块划定漆面图像数据中的基于每一行的异常像素段，并将其进行筛选合并划定该汽车模型基于左、右、前、后和上漆面图像的异常像素区域，通过对左、右、前、后和上漆面图像的异常像素区域进行计算获取缺陷额度值，设置缺陷报警模块基于左、右、前、后和上漆面图像的异常像素区域向检测人员报警和显示缺陷区域，一方面针对汽车模型的漆面进行针对检测，细化了汽车模型漆面损害程度，基于漆面的异常像素区域采集不同程度的报警，另一方面增加了汽车模型漆面缺陷检测的准确率，加快了检测的效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，基于人工智能的汽车模型视觉检测方法，上述方法是基于人工智能的汽车模型视觉检测系统进行的，该系统包括视觉检测模块、图像处理模块和缺陷报警模块；
所述视觉检测模块用于对汽车模型的全漆面图像数据进行获取，所述汽车模型的全漆面图像数据包括该汽车模型的左漆面图像数据、右漆面图像数据、前漆面图像数据、后漆面图像数据和上漆面图像数据；
在本实施例中，所述汽车模型的左、右、前、后，上漆面都是以车头到车位的方向为基准；在本实施例中，所述汽车模型的左漆面图像数据为该汽车模型的左侧车身表面被油漆覆盖区域；所述汽车模型的右漆面图像数据为该汽车模型的右侧车身表面被油漆覆盖区域；所述汽车模型的前漆面图像数据为该汽车模型的前侧车身表面被油漆覆盖区域；所述汽车模型的后漆面图像数据为该汽车模型的后侧车身表面被油漆覆盖区域；所述汽车模型的上漆面图像数据为该汽车模型的顶部车身表面被油漆覆盖区域；
所述视觉监测模块将该汽车模型的全漆面图像数据传输到图像处理模块；
所述图像处理模块用于对汽车模型的全漆面图像数据进行处理，所述图像处理模块接收到视觉检测模块传输的该汽车模型的全漆面图像数据后按照一定的处理方式对其进行处理，具体的处理方式如下：
S11：首先选定该汽车模型全漆面图像数据中的左漆面图像数据为待处理图像数据；
S12：获取待处理图像数据的所有像素点，标记为A1-1、A1-2、...、A1-b、A2-1、A2-2、...、A2-b、...、Aa-b，b≥1，a≥1；
所述a为待处理图像数据的像素点总列数，所述b为待处理图像数据的像素点总行数；
S13：获取待处理图像数据像素点A1-1、A1-2、...、A1-b、A2-1、A2-2、...、A2-b、...、Aa-b对应的像素值B1-1、B1-2、...、B1-b、B2-1、B2-2、...、B2-b、...、Ba-b；
S14：按照一定的获取步骤获取待处理图像数据的第1行的异常像素列表F1，具体的获取步骤如下：
S141：创建待处理图像数据的第一行的空的异常像素列表F1，此时F1=[]；
S142：以待处理图像数据的第一行为例，获取待处理图像数据像素点A1-a的像素值B1-a与其水平方向前一个像素点A1-（a-1）的像素值B1-(a-1)的差值C1-（a-1）,a=2、3、...、b；
S143：将C1-（a-1）与C进行大小比较，所述C为预设阈值：
若C1-（a-1）>C，则将待处理图像像素点A1-a和像素点A1-(a-1)重新标定为梯度像素点；
S144：获取待处理图像数据的第一行的所有梯度像素点，标记为A1-d1、A1-d2、...、A1-dz,1≤z<a；
S145：利用公式D1=d1-1计算获取待处理图像数据像素点A1-1和第一个梯度像素点A1-d1之间的像素点总值D1；
S146：若D1<D，所述D为预设的像素点总值阈值，依据待处理图像数据像素点A1-1和第一个梯度像素点A1-d1生成待处理图像数据的第一行的第一个梯度像素段E1；
S147：利用公式D2=d2-（d1+1）计算获取待处理图像数据像素点A1-d1+1和第二个梯度像素点A1-d2之间的像素点总值D2；
按照S146，对像素点总值D2进行判定生成待处理图像数据的第一行的第二个梯度像素段E2；
S147：按照S145到S146计算获取待处理图像数据的第一行的所有梯度像素段E1、E2、...、Ee并将其添加入异常像素列表F1中，此时F1=[E1,E2,...,Ee,1≤e≤Z]；
S15：按照S14计算获取待处理图像数据的第1、2、...、b的异常像素列表F1、F2、...、Fb；
S16：按照一定的合并规则将待处理图像数据的第1、2、...、b的异常像素列表F1、F2、...、Fb进行合并生成待处理图像数据的异常像素区域N1、N2、...、Nn，1≤n<m，具有的合并规则如下：
S161：选定待处理图像数据的第一行的异常像素列表F1为待关联列表；选定待处理图像数据的第二行的异常像素列表F2为关联列表；
S162：分别获取待关联列表和关联列表索引为0的梯度像素段G1、H1；
S163：获取梯度像素段G1的初始像素点I1-i1，最终像素点I1-i2；1≤i1<i2<a；
获取梯度像素段H1的初始像素点J2-j1，最终像素点J2-j2；1≤j1<j2<a；
S164：利用公式k1=
计算获取梯度像素段G1和H1关联值k1；
S165：将k1的绝对值与k进行大小比较，若k1<k，将梯度像素段G1与H1进行合并生成异常像素区域，则该异常像素区域内的像素点可表示为Ll-q，l⊆[1,2]，q⊆[i1,i2]∪[j1,j2]；
S166：反之，则判定梯度像素段G1和H1无关联，将待关联列表中所有的梯度像素段按照索引依次增大的顺序与H2进行关联判定，直至比较完全，获取所有的异常像素区域；
S167：若待关联列表中的所有梯度像素段与H1都无关联，则按照S162到S166，依次将待关联列表中的所有梯度像素段与H2进行关联比较；
S168：按照S161到S167，选定待处理图像数据的第二行的异常像素列表F2为待关联列表；选定待处理图像数据的第三行的异常像素列表F2为关联列表，计算会哦去所有的异常像素区域；
S169：按照S168的顺序，计算获取待处理图像数据的第1、2、...、b的异常像素列表F1、F2、...、Fb的所有异常像素区域，标记为M1、M2、...、Mm，m≥1；
S1610：将异常像素区域M1、M2、...、Mm中存在部分相同区域的异常像素区域删除，获取到最终的异常像素区域N1、N2、...、Nn；
S17：按照一定的筛选步骤筛选获取待处理图像数据的缺陷额度值R1；
S171：以异常像素区域N1为例，获取异常像素区域N1的最大横向跨度O1和最大纵向跨度O2，所述异常像素区域的最大横向跨度指的是该异常像素区域横向像素点最多的一行的像素点总量；所述异常像素区域的最大纵向跨度指的是该异常像素区域纵向像素点最多的一行的像素点总量；
S172：利用公式p1=
计算获取异常像素区域N1的缺陷跨度比p1；
S173：按照S1610到S1612计算获取异常像素区域N1、N2、...、Nn的缺陷跨度值p1、p2、...、pn；
S174：利用公式Q=
，1≤q≤n计算获取缺陷跨度值p1、p2、...、pn的离散值Q，将Q与Q1进行大小比较，若Q≥Q1，则按照|pq-p|从大到小依次删除对应的pq值并计算剩余pq的离散值Q，再将Q与Q1进行大小比较，直至Q<Q1，所述p为参与剩余参与离散值计算的缺陷跨度比的平均值，所述Q1为预设离散值阈值；
S175：获取异常像素区域N1、N2、...、Nn的缺陷跨度值中比p大的异常像素区域，并将其重新标定为非正常像素区域，获取非正常像素区域的缺陷跨度值标记为T1、T2、...、Tt，1≤t<n；
S175：利用公式R1=
,1≤r≤n，1≤s≤t计算获取左漆面图像数据的缺陷额度值R1；
S18：按照S11到S17，依次选定该汽车模型全漆面图像数据中的右漆面图像数据、前漆面图像数据、后漆面图像数据和上漆面图像数据为待处理数据，计算获取该汽车模型的左漆面、右漆面、前漆面、后漆面和上漆面图像数据的缺陷额度值R2、R3、R4和R5并依据其生成该汽车模型的全漆面缺陷数据；
所述图像处理模块将该汽车模型的全漆面缺陷数据传输到缺陷报警模块，所述缺陷报警模块包括缺陷判定单元、报警单元和显示单元，所述缺陷报警模块接收到图像处理模块传输的该汽车模型的全漆面缺陷数据后将其传输到缺陷判定单元，所述缺陷判定单元接收到缺陷报警模块传输的该汽车模型的全漆面缺陷数据后按照一定的判定步骤对其进行判定，具体的判定步骤如下：
S21：获取该汽车模型左漆面图像数据的缺陷额度值，重新标定为U1；
S22：若Umax<U则判定当前汽车模型的左漆面重度受损并依据其生成重度缺陷报警指令，所述缺陷判定单元将重度缺陷报警指令传输到报警单元；
所述缺陷判定模块获取左漆面的非正常像素区域并将其传输到显示单元；
所述报警单元接收到缺陷判定单元传输的重度缺陷报警指令后实时对检测人员进行声音预警；
所述显示单元接收到缺陷判定单元传输的左漆面的非正常像素区域后对其进行标记并将其显示给检测人员；
S23：若Umin≤U≤Umax，则判定当前汽车模型的左漆面中度受损并依据其生成中度缺陷报警指令，所述缺陷判定单元将中度缺陷报警指令传输到报警单元；
所述报警单元接收到缺陷判定单元传输的重度缺陷报警指令后每隔z，间隔z时间对检测人员进行声音预警，所述z为预设间隔时间；
所述显示单元接收到缺陷判定单元传输的左漆面的非正常像素区域后对其进行标记并将其显示给检测人员；
S24：若U≤Umin，则判定当前汽车模型的左漆面微轻度缺陷，不需要进行修补；
S25：按照S21到S24，依次对该汽车模型的左漆面、右漆面、前漆面、后漆面和上漆面进行缺陷判定；
在说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。 以上内容仅仅是对本发明所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (2)
1.基于人工智能的汽车模型视觉检测方法，其特征在于，包括：
步骤一：视觉检测模块对汽车模型的全漆面图像数据进行获取，所述汽车模型的全漆面图像数据包括该汽车模型的左漆面图像数据、右漆面图像数据、前漆面图像数据、后漆面图像数据和上漆面图像数据；
步骤二：图像处理模块按照一定的处理方式对汽车模型的全漆面图像数据进行处理生成该汽车模型的全漆面缺陷数据，具体处理方式如下：
S11：首先选定该汽车模型全漆面图像数据中的左漆面图像数据为待处理图像数据；
S12：获取待处理图像数据的所有像素点，标记为A1-1、A1-2、...、A1-b、A2-1、A2-2、...、A2-b、...、Aa-b，b≥1，a≥1；
所述a为待处理图像数据的像素点总列数，所述b为待处理图像数据的像素点总行数；
S13：获取待处理图像数据像素点A1-1、A1-2、...、A1-b、A2-1、A2-2、...、A2-b、...、Aa-b对应的像素值B1-1、B1-2、...、B1-b、B2-1、B2-2、...、B2-b、...、Ba-b；
S14：按照一定的获取步骤获取待处理图像数据的第1行的异常像素列表F1，获取步骤如下：
S141：创建待处理图像数据的第一行的空的异常像素列表F1；
S142：以待处理图像数据的第一行为例，获取待处理图像数据像素点A1-a的像素值B1-a与其水平方向前一个像素点A1-（a-1）的像素值B1-(a-1)的差值C1-（a-1）,a=2、3、...、b；
S143：将C1-（a-1）与C进行大小比较，所述C为预设阈值：
若C1-（a-1）>C，则将待处理图像像素点A1-a和像素点A1-(a-1)重新标定为梯度像素点；
S144：获取待处理图像数据的第一行的所有梯度像素点，标记为A1-d1、A1-d2、...、A1-dz,1≤z<a；
S145：利用公式D1=d1-1计算获取待处理图像数据像素点A1-1和第一个梯度像素点A1-d1之间的像素点总值D1；
S146：若D1<D，所述D为预设的像素点总值阈值，依据待处理图像数据像素点A1-1和第一个梯度像素点A1-d1生成待处理图像数据的第一行的第一个梯度像素段E1；
S147：利用公式D2=d2-（d1+1）计算获取待处理图像数据像素点A1-d1+1和第二个梯度像素点A1-d2之间的像素点总值D2；
按照S146，对像素点总值D2进行判定生成待处理图像数据的第一行的第二个梯度像素段E2；
S148：按照S145到S146计算获取待处理图像数据的第一行的所有梯度像素段E1、E2、...、Ee并将其添加入异常像素列表F1中，此时F1=[E1,E2,...,Ee,1≤e≤Z]；
S15：按照S14计算获取待处理图像数据的第1、2、...、b的异常像素列表F1、F2、...、Fb；
S16：按照一定的合并规则将待处理图像数据的第1、2、...、b的异常像素列表F1、F2、...、Fb进行合并生成待处理图像数据的异常像素区域N1、N2、...、Nn，1≤n<m，合并规则如下：
S161：选定待处理图像数据的第一行的异常像素列表F1为待关联列表；选定待处理图像数据的第二行的异常像素列表F2为关联列表；
S162：分别获取待关联列表和关联列表索引为0的梯度像素段G1、H1；
S163：获取梯度像素段G1的初始像素点I1-i1，最终像素点I1-i2；1≤i1<i2<a；
获取梯度像素段H1的初始像素点J2-j1，最终像素点J2-j2；1≤j1<j2<a；
S164：利用公式k1=
计算获取梯度像素段G1和H1关联值k1；
S165：将k1的绝对值与k进行大小比较，若k1<k，将梯度像素段G1与H1进行合并生成异常像素区域，则该异常像素区域内的像素点可表示为Ll-q，l⊆[1,2]，q⊆[i1,i2]∪[j1,j2]；
S166：反之，则判定梯度像素段G1和H1无关联，将待关联列表中所有的梯度像素段按照索引依次增大的顺序与H2进行关联判定，直至比较完全，获取所有的异常像素区域；
S167：若待关联列表中的所有梯度像素段与H1都无关联，则按照S162到S166，依次将待关联列表中的所有梯度像素段与H2进行关联比较；
S168：按照S161到S167，选定待处理图像数据的第二行的异常像素列表F2为待关联列表；选定待处理图像数据的第三行的异常像素列表F2为关联列表，计算获取所有的异常像素区域；
S169：按照S168的顺序，计算获取待处理图像数据的第1、2、...、b的异常像素列表F1、F2、...、Fb的所有异常像素区域，标记为M1、M2、...、Mm，m≥1；
S1610：将异常像素区域M1、M2、...、Mm中存在部分相同区域的异常像素区域删除，获取到最终的异常像素区域N1、N2、...、Nn；
S17：按照一定的筛选步骤筛选获取待处理图像数据的缺陷额度值R1，筛选步骤如下：
S171：以异常像素区域N1为例，获取异常像素区域N1的最大横向跨度O1和最大纵向跨度O2，所述异常像素区域的最大横向跨度指的是该异常像素区域横向像素点最多的一行的像素点总量；所述异常像素区域的最大纵向跨度指的是该异常像素区域纵向像素点最多的一行的像素点总量；
S172：利用公式p1=
计算获取异常像素区域N1的缺陷跨度比p1；
S173：按照S1610到S1612计算获取异常像素区域N1、N2、...、Nn的缺陷跨度值p1、p2、...、pn；
S174：利用公式Q=
，1≤q≤n计算获取缺陷跨度值p1、p2、...、pn的离散值Q，将Q与Q1进行大小比较，若Q≥Q1，则按照|pq-p|从大到小依次删除对应的pq值并计算剩余pq的离散值Q，再将Q与Q1进行大小比较，直至Q<Q1，所述p为参与剩余参与离散值计算的缺陷跨度比的平均值，所述Q1为预设离散值阈值；
S175：获取异常像素区域N1、N2、...、Nn的缺陷跨度值中比p大的异常像素区域，并将其重新标定为非正常像素区域，获取非正常像素区域的缺陷跨度值标记为T1、T2、...、Tt，1≤t<n；
S175：利用公式R1=
,1≤r≤n，1≤s≤t计算获取左漆面图像数据的缺陷额度值R1；
步骤三：缺陷报警模块依据该汽车模型的全漆面缺陷数据对检测人员进行缺陷报警和缺陷区域显示。
2.根据权利要求1所述的基于人工智能的汽车模型视觉检测方法，其特征在于，所述缺陷报警模块包括缺陷判定单元、报警单元和显示单元，所述缺陷判定单元按照一定的判定步骤对该汽车模型的全漆面缺陷数据进行判定，具体的判定步骤如下：
S21：以该汽车模型左漆面图像数据为例，获取该汽车模型左漆面图像数据的缺陷额度值，重新标定为U1；
S22：若Umax<U1则判定当前汽车模型的左漆面重度受损并依据其生成重度缺陷报警指令，所述缺陷判定单元将重度缺陷报警指令传输到报警单元；
所述缺陷判定模块获取左漆面的非正常像素区域并将其传输到显示单元；
所述报警单元接收到缺陷判定单元传输的重度缺陷报警指令后实时对检测人员进行声音预警；
所述显示单元接收到缺陷判定单元传输的左漆面的非正常像素区域后对其进行标记并将其显示给检测人员；
S23：若Umin≤U1≤Umax，则判定当前汽车模型的左漆面中度受损并依据其生成中度缺陷报警指令，所述缺陷判定单元将中度缺陷报警指令传输到报警单元；
所述报警单元接收到缺陷判定单元传输的重度缺陷报警指令后每隔z，间隔z时间对检测人员进行声音预警，所述z为预设间隔时间；
所述显示单元接收到缺陷判定单元传输的左漆面的非正常像素区域后对其进行标记并将其显示给检测人员；
S24：若U1≤Umin，则判定当前汽车模型的左漆面微轻度缺陷，不做任何处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211380160.4A CN115661105B (zh) | 2022-11-05 | 2022-11-05 | 基于人工智能的汽车模型视觉检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211380160.4A CN115661105B (zh) | 2022-11-05 | 2022-11-05 | 基于人工智能的汽车模型视觉检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115661105A CN115661105A (zh) | 2023-01-31 |
| CN115661105B true CN115661105B (zh) | 2023-06-20 |
Family
ID=85017139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211380160.4A Active CN115661105B (zh) | 2022-11-05 | 2022-11-05 | 基于人工智能的汽车模型视觉检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115661105B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187548A (zh) * | 2022-07-11 | 2022-10-14 | 常颖 | 一种基于人工智能的机械零件缺陷检测方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10399200B2 (en) * | 2016-12-21 | 2019-09-03 | Ronald Lipson | Intelligent polisher/buffer with selective color-matching light |
| CN108469313B (zh) * | 2018-04-16 | 2019-06-14 | 大连理工大学 | 基于元胞自动机的结晶器铜板温度异常区域检测方法 |
| CN108802173B (zh) * | 2018-06-21 | 2022-04-15 | 中车青岛四方机车车辆股份有限公司 | 一种对带漆横梁进行自动化无损检测的装置及方法 |
| CN110544231B (zh) * | 2019-07-24 | 2021-05-11 | 华南理工大学 | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 |
| CN112224132B (zh) * | 2020-10-28 | 2022-04-19 | 武汉极目智能技术有限公司 | 一种车用全景环视障碍物预警方法 |
| CN113030102A (zh) * | 2021-03-02 | 2021-06-25 | 成都小淞科技有限公司 | 基于机器视觉的漆面瑕疵检查系统 |
| CN113763346B (zh) * | 2021-08-31 | 2023-12-01 | 哈尔滨工业大学（威海） | 基于双目视觉的立面作业效果与表面缺陷检测方法 |
| CN114648520A (zh) * | 2022-04-01 | 2022-06-21 | 上海电气集团股份有限公司 | 轨道缺陷的检测方法、系统、电子设备和存储介质 |
| CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
| CN115035122B (zh) * | 2022-08-12 | 2022-11-11 | 宁波鑫芯微电子科技有限公司 | 基于人工智能的集成电路晶圆表面缺陷检测方法 |
| CN115147414B (zh) * | 2022-09-01 | 2023-08-29 | 南通三信塑胶装备科技股份有限公司 | 一种双极型功率晶体管表面击穿缺陷检测方法 |
-
2022
- 2022-11-05 CN CN202211380160.4A patent/CN115661105B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187548A (zh) * | 2022-07-11 | 2022-10-14 | 常颖 | 一种基于人工智能的机械零件缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115661105A (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103364410B (zh) | 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法 | |
| CN105975941A (zh) | 一种基于深度学习的多方向车型检测识别系统 | |
| JP7300765B2 (ja) | ディープラーニングに基づいた自動車部位別の破損程度の自動判定のためのモデル学習方法およびシステム | |
| CN107274419A (zh) | 一种基于全局先验和局部上下文的深度学习显著性检测方法 | |
| CN112633149B (zh) | 一种域自适应雾天图像目标检测方法和装置 | |
| CN105067638A (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
| CN109064418A (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
| CN114842010B (zh) | 一种基于高斯滤波的建筑防火木材缺陷检测方法 | |
| CN113516651A (zh) | 基于残差网络的焊接接头缺陷检测方法及装置 | |
| CN110555831B (zh) | 一种基于深度学习的排水管道缺陷分割方法 | |
| CN113409267B (zh) | 一种基于深度学习的路面裂缝检测与分割方法 | |
| CN112070733A (zh) | 基于弱监督模式的缺陷粗定位方法和装置 | |
| US20210232859A1 (en) | Vehicle damage estimation | |
| CN110309765B (zh) | 一种视频运动目标高效检测方法 | |
| CN115661105B (zh) | 基于人工智能的汽车模型视觉检测方法 | |
| CN106570499A (zh) | 一种基于概率图模型的目标跟踪方法 | |
| CN105550703A (zh) | 一种适用于人体再识别的图片相似度计算方法 | |
| CN116109812A (zh) | 一种基于非极大值抑制阈值优化的目标检测方法 | |
| CN111461076A (zh) | 帧差法与神经网络结合的烟雾检测方法和检测系统 | |
| Luo et al. | Waterdrop removal from hot-rolled steel strip surfaces based on progressive recurrent generative adversarial networks | |
| CN107506691A (zh) | 一种基于肤色检测的唇部定位方法和系统 | |
| CN106210711A (zh) | 一种无参考立体图像质量评价方法 | |
| CN101600115A (zh) | 一种剔除图像稳像系统周期性特征块的方法 | |
| CN114202472A (zh) | 一种高精度水下成像方法和装置 | |
| CN111122402B (zh) | 基于离散监测点数据的污染物路况图生成方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |